CN111242366A - 一种可用于实时处理信号的emd方法、装置 - Google Patents
一种可用于实时处理信号的emd方法、装置 Download PDFInfo
- Publication number
- CN111242366A CN111242366A CN202010017502.0A CN202010017502A CN111242366A CN 111242366 A CN111242366 A CN 111242366A CN 202010017502 A CN202010017502 A CN 202010017502A CN 111242366 A CN111242366 A CN 111242366A
- Authority
- CN
- China
- Prior art keywords
- data
- period
- imf
- emd
- envelope line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 92
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 75
- 230000000737 periodic effect Effects 0.000 claims abstract description 39
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 230000002401 inhibitory effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 39
- 239000011159 matrix material Substances 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009347 mechanical transmission Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
本发明公开了一种可用于实时处理信号的EMD方法、装置,方法包括步骤:实时采集信号数据;预先设定周期长度,在接收的数据达到设定的周期长度值后,即提取该周期数据;对当前获得的周期数据的起始端和终止端分别进行延拓;对延拓后的周期数据进行EMD分解得到imf(k,i,p),k代表当前周期EMD分解的imf函数阶数,i代表imf函数中数据点次序,p代表当前处理的数据周期数;根据实时采集过程的进行,各个周期的对应阶数的imf信号进行融合得到信号处理结果imf(kk,ii),kk代表当前周期EMD分解的imf函数阶数,ii代表imf函数中数据点次序。本发明能够针对现场信号实现准实时处理,处理过程中通过对上下包络线的延拓在抑制端点效应的同时,提高计算效率,可有效拓展EMD方法的应用范围。
Description
技术领域
本发明属于信号处理领域,特别涉及一种可用于实时处理信号的EMD方法、装置。
背景技术
EMD(Empirical Mode Decomposition,经验模态分解)是由黄锷(N.E.Huang)在美国国家宇航局与其他人于1998年创造性地提出的一种新型自适应信号时频处理方法。该方法是依据数据自身的时间尺度特征来进行信号分解,无须预先设定任何基函数,在理论上可以应用于任何类型的信号的分解,因而在处理非平稳及非线性数据上,具有非常明显的优势,具有很高的信噪比。
目前该EMD方法在滤波、目标跟踪等技术领域,在海洋、大气、天体观测资料与地震记录分析、机械故障诊断、密频动力系统的阻尼识别以及大型土木工程结构的模态参数识别等工程领域具有广泛的应用。模态混叠是在进行EMD分解过程中遇到的主要问题,目前主要是通过在信号中多次添加白噪声之后进行EMD分解并求平均对模态混叠进行抑制,也就是EEMD算法。
但是,在应用EMD方法时,由于需要利用极点拟合上下包络线,使得EMD目前只能应用于离线数据的处理,无法进行在线检测。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种可用于实时处理信号的EMD方法、装置,其能够实现针对现场信号准实时进行处理,处理过程中通过对上下包络线的延拓在抑制端点效应的同时,提高计算效率,可有效拓展EMD方法的应用范围。
本发明的目的通过以下的技术方案实现:一种可用于实时处理信号的EMD方法,包括步骤:
实时采集信号数据;
预先设定周期长度,在接收的数据达到设定的周期长度值后,即提取该周期数据;
对当前获得的周期数据的起始端和终止端分别进行延拓;
对延拓后的周期数据进行EMD分解得到imf(k,i,p),k代表当前周期EMD分解的imf函数阶数,i代表imf函数中数据点次序,p代表当前处理的数据周期数;
根据实时采集过程的进行,各个周期的对应阶数的imf信号进行融合得到信号处理结果imf(kk,ii),kk代表当前周期EMD分解的imf函数阶数,ii代表imf函数中数据点次序。
现有技术需要离线采集整段信号,然后对整段信号进行处理,本发明在线采集整段信号,并将整段信号分为多个连续的周期,依据周期来实现实时处理。特别的,这个周期可定义为1个点,处理过程中对每段数据进行EMD分解,然后对分解处理结果进行融合,大大提高信号处理的实时性,同时处理结果具有准确度高的优点。
优选的,对获得的非第一周期的数据的起始端和终止端分别进行延拓,步骤是:
首先,将上一周期终止端一定长度的数据作为当前周期起始端的信号延拓;然后,对当前起始端已经延拓过的周期数据分别进行上、下包络线的延拓,即将上一周期的上、下包络线分别作为当前周期上、下包络线的参考曲线,对当前周期的上、下包络曲线进行端点松弛处理,对当前周期的包络线与参考曲线的相似度进行度量,构造无约束优化问题,通过最优化求解获得当前周期终止端包络线延拓的控制点,按照得到的延拓控制点对包络线进行延拓,在终止端延拓后的上、下包络线范围内,按照采样频率抽取随机数,作为终止端延拓的数据。
优选的,对接收到的第一周期的信号,其起始端和终止端进行延拓,延拓方法采用镜像延拓的方法,镜像延拓的方法即截取起始端和终止端的部分数据,相较于端点进行镜像,然后根据镜像数据进行延拓。
优选的,对接收到的第一周期的信号,其起始端和终止端进行延拓,延拓方法采用数据预测的方法,数据预测方法是截取起始端和终止端的部分数据,沿时间轴对数据进行趋势预测,得到预测数据,根据预测数据进行延拓。
优选的,对同周期内、各个阶数下的信号处理结果分别进行Kalman滤波,并将滤波之后的结果进行求和,实现对信号的降噪处理。采用这种方法进行滤波,可以大大降低信号的波动性。
更进一步的,对降噪处理后的信号进行拟合,对下一周期的信号误差进行预测,根据预测结果对信号进行补偿控制。从而可以实现更为准确的反馈控制。
优选的,对延拓后的周期数据多次添加白噪声,然后进行EEMD分解处理,得到imf(k,i,j),其中k代表当前周期分解的imf函数阶数,i代表imf函数中数据点次序,j代表添加白噪声的次数;
对分解得到的同周期、同阶数k添加n次白噪声后分解得到的imf信号求平均,公式是:
其中,kk代表imf函数的阶数,ii代表imf函数中数据点位置,p代表当前处理的数据周期数;
通过上述公式得到该周期内、各个阶数下的信号处理结果。
一种可用于实时处理信号的EMD装置,包括:
采集模块,用于实时采集信号数据;
周期数据提取模块,用于在接收的数据达到设定的周期长度值后,即提取该周期数据,将周期数据发送到周期数据延拓模块;
周期数据延拓模块,用于对当前获得的周期数据的起始端和终止端分别进行延拓;
EMD分解模块,用于对延拓后的周期数据进行EMD分解得到imf(k,i,p),k代表当前周期EMD分解的imf函数阶数,i代表imf函数中数据点次序,p代表当前处理的数据周期数;
实时结果融合模块,用于根据实时采集过程的进行,对各个周期的对应阶数的imf信号进行融合得到信号处理结果imf(kk,ii),kk代表当前周期EMD分解的imf函数阶数,ii代表imf函数中数据点次序。
优选的,所述周期数据延拓模块中,对获得的非第一周期的数据的起始端和终止端分别进行延拓,步骤是:
首先,将上一周期终止端一定长度的数据作为当前周期起始端的信号延拓;然后,对当前起始端已经延拓过的周期数据分别进行上、下包络线的延拓,即将上一周期的上、下包络线分别作为当前周期上、下包络线的参考曲线,对当前周期的上、下包络曲线进行端点松弛处理,对当前周期的包络线与参考曲线的相似度进行度量,构造无约束优化问题,通过最优化求解获得当前周期终止端包络线延拓的控制点,按照得到的延拓控制点对包络线进行延拓,在终止端延拓后的上、下包络线范围内,按照采样频率抽取随机数,作为终止端延拓的数据。
优选的,所述周期数据延拓模块中,对接收到的第一周期的信号起始端和终止端进行延拓,方法有以下两种:
镜像延拓的方法,即截取起始端和终止端的部分数据,相较于端点进行镜像,然后根据镜像数据进行延拓;
数据预测的方法,即截取起始端和终止端的部分数据,沿时间轴对数据进行趋势预测,得到预测数据,根据预测数据进行延拓。
优选的,所述可用于实时处理信号的EMD装置还包括滤波模块,所述滤波模块用于对同周期内、各个阶数下的信号处理结果分别进行Kalman滤波,并将滤波之后的结果进行求和,实现对信号的降噪处理。采用这种方法进行滤波,可以大大降低信号的波动性。
更进一步的,所述可用于实时处理信号的EMD装置还包括预测模块,所述预测模块用于对降噪处理后的信号进行拟合,对下一周期的信号误差进行预测,根据预测结果对信号进行补偿控制。从而可以实现更为准确的反馈控制。
优选的,所述EMD分解模块,用于对延拓后的周期数据进行EEMD分解,方法是:
对延拓后的周期数据多次添加白噪声,然后进行EEMD分解处理,得到imf(k,i,j),其中k代表当前周期分解的imf函数阶数,i代表imf函数中数据点次序,j代表添加白噪声的次数;
对分解得到的同周期、同阶数k添加n次白噪声后分解得到的imf信号求平均,公式是:
其中,kk代表imf函数的阶数,ii代表imf函数中数据点位置,p代表当前处理的数据周期数;
通过上述公式得到该周期内、各个阶数下的信号处理结果。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明在在线采集信号数据的同时,可以分周期的同步进行EEMD分解处理,在多个周期分别处理完后,对各个周期之间端点处进行融合,可以实现在线数据的处理。
2、在本发明中,将信号分割为首尾相连的若干个周期,在对周期信号起始端数据进行延拓时,直接将前一周期一定长度的数据作为本周期起始端的延拓结果,进行上、下包络之后再对终止端的包络线进行延拓,这种方式避免了起始端延拓的计算消耗,提高了计算效率。
3、本发明实现了对实时信号的EMD分解,可以应用于机械装备信号分析、人体心电信号、肌电信号的实时分析等,例如利用本发明的EMD分解方法对机械装备的振动信号进行准实时EMD,结合相关时频分析方法,对机械故障进行实时诊断等。
4、本发明与其他智能算法结合,可以实现对信号的预测、降噪、以及信息提取。例如在对风速的实时预测中,利用本发明提供的方法与支持向量机相结合,通过对本周期的风速信号进行短时EMD分解,对得到的imf分别利用支持向量机进行预测,然后将预测结果进行求和,作为下一周期风速的预测值。
附图说明
图1是实施例1方法的流程图。
图2是实施例1方法具体实现的程序流程图。
图3是实施例2中EMD装置进行EEMD分解的结构示意图。
图4是实施例2中EMD装置进行滤波和预测的结构示意图。
图5是实施例2中非第一周期数据的起始端和终止端延拓示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例1
如图1、2所示,本实施例提供一种可用于实时处理信号的EMD方法,该方法可应用于机械、医学、能源等领域,采用该方法可实现信号的实时处理。
下面结合附图,对该方法的各个步骤进行具体说明。
一、获取数据。
在系统内设置数据寄存器和模态分解寄存器,数据寄存器用于存储实时采集的数据,模态分解寄存器用于存储用于EMD分解的信号数据。
在采集数据之前,首先设定采样频率Fs,短时周期长度Ta,初始化短时周期计数p为1,设定添加白噪声次数N。
在采集数据过程中,数据根据时间顺序依次读入到数据寄存器,一旦数据寄存器中数据数量达到设定的短时周期长度Ta,则将数据寄存器中数据追转存到模态分解寄存器中。特别的,这里的短时周期长度Ta可综合考虑计算速度以及效率后,根据实际进行选择,如为了提高实时性,可选择Ta为1。
二、根据历史数据,对获得的周期数据的起始端和终止端分别进行延拓。
这里的延拓方法,根据当前周期是否为第一周期有所不同。具体说明如下。
如果当前周期为第一周期,本实施例可采用镜像延拓的方法进行延拓,即截取起始端和终止端的部分数据,比如Q个点,相较于端点进行镜像,然后根据镜像数据进行延拓。当然在实际应用中,考虑到数据的准确度,也可以采用数据预测的方法,该方法是截取起始端和终止端的部分数据,沿时间轴对数据进行趋势预测,得到预测数据,根据预测数据进行延拓。
如果当前周期非第一周期,延拓方法是:
首先,将上一周期终止端一定长度的数据作为当前周期起始端的信号延拓;然后,对当前起始端已经延拓过的周期数据分别进行上、下包络线的延拓,即将上一周期的上、下包络线分别作为当前周期上、下包络线的参考曲线,对当前周期的上、下包络曲线进行端点松弛处理,对当前周期的包络线与参考曲线的相似度进行度量,构造无约束优化问题,通过最优化求解获得当前周期终止端包络线延拓的控制点,按照得到的延拓控制点对包络线进行延拓,在终止端延拓后的上、下包络线范围内,按照采样频率抽取随机数,作为终止端延拓的数据。
三、对延拓后的数据进行EMD或者EEMD分解处理。
作为一种优选,可对延拓后的数据进行EMD分解得到imf(k,i,p),k代表当前周期EMD分解的imf函数阶数,i代表imf函数中数据点次序,p代表当前处理的数据周期数;根据实时采集过程的进行,各个周期的对应阶数的imf信号进行融合得到信号处理结果imf(k,i),k代表当前周期EMD分解的imf函数阶数,i代表imf函数中数据点次序。
EEMD是Ensemble Empirical Mode Decomposition的缩写,中文是集合经验模态分解,是针对EMD方法的不足,提出的一种噪声辅助数据分析方法。EEMD分解原理是当附加的白噪声均匀分布在整个时频空间时,该时频空间就由滤波器组分割成的不同尺度成分组成。本发明还可对延拓后的数据进行EEMD分解处理,步骤是:
S3.1设定添加白噪声的次数N,初始化当前添加白噪声次数n为1,imf为3维矩阵,其中该矩阵的行数据为分解得到同一阶imf函数数据,该矩阵的列数据为分解得到的imf函数不同阶imf函数在同一时间点上的数据,该矩阵的页数据为添加每次白噪声后分解得到的imf函数数据。
S3.2对当前已经在起始端和终止端均进行延拓后的数据添加白噪声。
S3.3添加白噪声后将数据赋予变量r,然后将变量r赋予变量h,即初始时r=h。
S3.4对数据h分别做上、下包络线eu和el。
S3.5根据h的上、下包络线eu和el,求均值曲线m,将当前的h更新为h-m。
h=h-m
S3.6判断当前h是否符合imf判别准则?
如果符合,则令当前imf(k,:,n)=h,“:”代表所有的列,令r更新为r-h,h更新为r,k更新为k+1,执行步骤S3.7;
如果不符合,则返回步骤S3.3,重新对当前h做上、下包络线。
其中,本实施例中imf判别准则设置为下述公式:
S3.7判断r是否符合停止准则,即分解得到的imf是否为单调函数,
如果符合,则需要停止分解,执行步骤S3.8;
如果不符合,则返回步骤S3.3,重新对当前h做上、下包络线。
S3.8判断当前添加白噪声的次数n是否小于等于预设的阈值N:
如果满足,则n+1,返回步骤S3.2,重新添加白噪声后,再次执行上述步骤;
如果不满足,则令kk=1,stage=k,执行步骤S3.9。
S3.10判断kk是否小于stage:
如果是,则令kk+1,返回步骤S3.9;
当数据完成接收,并完成EMD分解后,将分解的EMD结果按照周期的先后顺序进行合并,得到imf(kk,ii)。
本实施例所述的可用于实时处理信号的EMD方法主要有两大优点,一个是提出短时EMD分解的方法,能够在线采集信号数据的同时,通过分周期的方式进行信号的处理,满足实时性的要求,特别是这个周期可以设置为仅一个点。另一个是每个周期之间的数据在进行处理前,会进行一定的延拓,使处理后各个周期之间更为准确的连续。
本实施例所述的EMD方法可以应用于机械装备信号分析、人体心电信号、肌电信号的实时分析等,这里的信号分析包括但不限于对信号的预测、降噪、以及信息提取。
以机械传动机构的转速信号为例,若要对其进行滤波,可在EMD分解过程中结合现有的Kalman滤波来实现。方法是:
根据预先设定的周期长度,对机械传动机构的转速信号进行采集,对获得的周期信号进行EMD分解,对分解获得的imf分别进行Kalman滤波,并将滤波之后的结果进行求和,实现对信号的降噪处理,处理之后的信号波动性大大降低。另外,对降噪之后的信号还可以进一步进行拟合,并对下一周期的转速误差进行预测,根据预测结果转速进行补偿控制。
上述将信号EMD分解结果分别进行Kalman滤波要比信号直接采用Kalman滤波更为有效,得到的滤波之后的信号更为光滑,波动性大大降低,这对提高拟合和预测精度十分重要。由于滤波后的信号更加光滑,将EMD与Kalman滤波相结合的方法在机械传动机构传动信号进行滤波降噪之后,再对传动指标进行误差的预测及补偿,可以大大提高预测的精确性。但由于现有技术中EMD只能应用于离线信号处理,使得这种EMD+Kalman的方法无法实现实时传动误差补偿。采用本实施例所述的短时EMD方法,实现了对信号准实时EMD分解,将本发明提供的EMD方法与Kalman滤波相结合,使EMD+Kalman这种方法真正具备了工程应用价值。
实施例2
本实施例提供一种可用于实时处理信号的EMD装置,该装置结构参见图3,包括:
采集模块,用于实时采集信号数据;
周期数据提取模块,用于在接收的数据达到设定的周期长度值后,即提取该周期数据,将周期数据发送到周期数据延拓模块;
周期数据延拓模块,用于对当前获得的周期数据的起始端和终止端分别进行延拓;
EMD分解模块,用于对延拓后的周期数据进行EMD分解得到imf(k,i,p),k代表当前周期EMD分解的imf函数阶数,i代表imf函数中数据点次序,p代表当前处理的数据周期数;
实时结果融合模块,用于根据实时采集过程的进行,对各个周期的对应阶数的imf信号进行融合得到信号处理结果imf(kk,ii),kk代表当前周期EMD分解的imf函数阶数,ii代表imf函数中数据点次序。
作为一种替换,所述的EMD分解模块还可用于对延拓后的周期数据进行EEMD分解,如图3所示,方法是:
对延拓后的周期数据多次添加白噪声,然后进行EEMD分解处理,得到imf(k,i,j),其中k代表当前周期分解的imf函数阶数,i代表imf函数中数据点次序,j代表添加白噪声的次数;
对分解得到的同周期、同阶数k添加n次白噪声后分解得到的imf信号求平均,公式是:
其中,kk代表imf函数的阶数,ii代表imf函数中数据点位置,p代表当前处理的数据周期数;
通过上述公式得到该周期内、各个阶数下的信号处理结果。
本实施例中,所述采集模块包括数据寄存器和模态分解寄存器,采集的信号数据先存储到数据寄存器,一旦接收数据数量达到设定的周期值,比如1个数据点,将该周期内的数据转存到模态分解寄存器。
本实施例中,所述周期数据延拓模块对接收到的第一周期的信号起始端和终止端进行延拓,参见图2,采用镜像延拓的方法,即截取起始端和终止端的部分数据,相较于端点进行镜像,然后根据镜像数据进行延拓。当然也可采用数据预测的方法,即截取起始端和终止端的部分数据,沿时间轴对数据进行趋势预测,得到预测数据,根据预测数据进行延拓。可根据实际需要进行选择。
本实施例中,所述周期数据延拓模块对接收到的非第一周期的信号起始端和终止端进行延拓,参见图5,步骤是:
首先,将上一周期终止端一定长度的数据作为当前周期起始端的信号延拓;然后,对当前周期分别进行上、下包络线的延拓,即将上一周期的上、下包络线分别作为当前周期上、下包络线的参考曲线,对当前周期的上、下包络曲线进行端点松弛处理,对当前周期的包络线与参考曲线的相似度进行度量,构造无约束优化问题,通过最优化求解获得当前周期终止端包络线延拓的控制点,按照得到的延拓控制点对包络线进行延拓。在终止端延拓后的上、下包络线范围内,按照采样频率抽取随机数,作为终止端延拓的数据。
参见图4,本实施例所述的EMD装置在经过EEMD分解模块、信号结果处理模块处理后,得到各个周期内、各个阶数下的信号处理结果,针对该信号处理结果可进行滤波和预测,为此构建滤波模块和预测模块。
可选的,所述滤波模块可选择Kalman滤波方法。该滤波模块用于对同周期内、各个阶数下的信号处理结果分别进行Kalman滤波,并将滤波之后的结果进行求和,实现对信号的降噪处理。相较于现有技术中针对整体的离线数据进行EMD处理后,再采用Kalman滤波方法更为准确。
可选的,预测模块可对降噪处理后的信号进行拟合,对下一周期的信号误差进行预测,根据预测结果对信号进行补偿控制。从而可提高后续采集信号的准确性。
可通过各种手段实施本发明描述的技术。举例来说,这些技术可实施在硬件、固件、软件或其组合中。对于硬件实施方案,处理模块可实施在一个或一个以上专用集成电路(ASIC)、数字信号处理器(DSP)、可编程逻辑装置(PLD)、现场可编辑逻辑门阵列(FPGA)、处理器、控制器、微控制器、电子装置、其他经设计以执行本发明所描述的功能的电子单元或其组合内。
对于固件和/或软件实施方案,可用执行本文描述的功能的模块(例如,过程、步骤、流程等)来实施所述技术。固件和/或软件代码可存储在存储器中并由处理器执行。存储器可实施在处理器内或处理器外部。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储在一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种可用于实时处理信号的EMD方法,其特征在于,包括步骤:
实时采集信号数据;
预先设定周期长度,在接收的数据达到设定的周期长度值后,即提取该周期数据;
对当前获得的周期数据的起始端和终止端分别进行延拓;
对延拓后的周期数据进行EMD分解得到imf(k,i,p),k代表当前周期EMD分解的imf函数阶数,i代表imf函数中数据点次序,p代表当前处理的数据周期数;
根据实时采集过程的进行,各个周期的对应阶数的imf信号进行融合得到信号处理结果imf(kk,ii),kk代表EMD分解的imf函数阶数,ii代表imf函数中数据点次序。
2.根据权利要求1所述的可用于实时处理信号的EMD方法,其特征在于,在获得周期数据后,若该周期为第一周期数据,则对该周期数据的起始端和终止端分别进行延拓,延拓方法采用如下任意一种:
采用镜像延拓的方法,镜像延拓的方法即截取起始端和终止端的部分数据,相较于端点进行镜像,然后根据镜像数据进行延拓;
采用数据预测的方法,数据预测方法是截取起始端和终止端的部分数据,沿时间轴对数据进行趋势预测,得到预测数据,根据预测数据进行延拓。
3.根据权利要求1所述的可用于实时处理信号的EMD方法,其特征在于,在获得周期数据后,若该周期为非第一周期数据,则对该周期数据的起始端和终止端分别进行延拓,延拓方法如下:
首先,将上一周期终止端一定长度的数据作为当前周期起始端的信号延拓;然后,对当前起始端已经延拓过的周期数据分别进行上、下包络线的延拓,即将上一周期的上、下包络线分别作为当前周期上、下包络线的参考曲线,对当前周期的上、下包络曲线进行端点松弛处理,对当前周期的包络线与参考曲线的相似度进行度量,构造无约束优化问题,通过最优化求解获得当前周期终止端包络线延拓的控制点,按照得到的延拓控制点对包络线进行延拓,在终止端延拓后的上、下包络线范围内,按照采样频率抽取随机数,作为终止端延拓的数据。
5.根据权利要求1所述的可用于实时处理信号的EMD方法,其特征在于,
对同周期内、各个阶数下的信号处理结果分别进行Kalman滤波,并将滤波之后的结果进行求和,实现对信号的降噪处理;
对降噪处理后的信号进行拟合,对下一周期的信号误差进行预测,根据预测结果对信号进行补偿控制;
所述设定的周期长度具体为一个点。
6.一种可用于实时处理信号的EMD装置,其特征在于,包括:
采集模块,用于实时采集信号数据;
周期数据提取模块,用于在接收的数据达到设定的周期长度值后,即提取该周期数据,将周期数据发送到周期数据延拓模块;
周期数据延拓模块,用于对当前获得的周期数据的起始端和终止端分别进行延拓;
EMD分解模块,用于对延拓后的周期数据进行EMD分解得到imf(k,i,p),k代表当前周期EMD分解的imf函数阶数,i代表imf函数中数据点次序,p代表当前处理的数据周期数;
实时结果融合模块,用于根据实时采集过程的进行,对各个周期的对应阶数的imf信号进行融合得到信号处理结果imf(kk,ii),kk代表当前周期EMD分解的imf函数阶数,ii代表imf函数中数据点次序。
7.根据权利要求6所述的可用于实时处理信号的EMD装置,其特征在于,
所述周期数据延拓模块中,若获取的周期为第一周期数据,则对该周期数据的起始端和终止端分别进行延拓,延拓方法采用如下任意一种:
采用镜像延拓的方法,镜像延拓的方法即截取起始端和终止端的部分数据,相较于端点进行镜像,然后根据镜像数据进行延拓;
采用数据预测的方法,数据预测方法是截取起始端和终止端的部分数据,沿时间轴对数据进行趋势预测,得到预测数据,根据预测数据进行延拓。
8.根据权利要求6所述的可用于实时处理信号的EMD装置,其特征在于,所述周期数据延拓模块中,若获取的周期为非第一周期数据,则对该周期数据的起始端和终止端分别进行延拓,延拓方法如下:
首先,将上一周期终止端一定长度的数据作为当前周期起始端的信号延拓;然后,对当前起始端已经延拓过的周期数据分别进行上、下包络线的延拓,即将上一周期的上、下包络线分别作为当前周期上、下包络线的参考曲线,对当前周期的上、下包络曲线进行端点松弛处理,对当前周期的包络线与参考曲线的相似度进行度量,构造无约束优化问题,通过最优化求解获得当前周期终止端包络线延拓的控制点,按照得到的延拓控制点对包络线进行延拓,在终止端延拓后的上、下包络线范围内,按照采样频率抽取随机数,作为终止端延拓的数据。
9.根据权利要求6所述的可用于实时处理信号的EMD装置,其特征在于,
所述可用于实时处理信号的EMD装置还包括滤波模块,所述滤波模块用于对同周期内、各个阶数下的信号处理结果分别进行Kalman滤波,并将滤波之后的结果进行求和,实现对信号的降噪处理;
所述可用于实时处理信号的EMD装置还包括预测模块,所述预测模块用于对降噪处理后的信号进行拟合,对下一周期的信号误差进行预测,根据预测结果对信号进行补偿控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010017502.0A CN111242366B (zh) | 2020-01-08 | 2020-01-08 | 一种可用于实时处理信号的emd方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010017502.0A CN111242366B (zh) | 2020-01-08 | 2020-01-08 | 一种可用于实时处理信号的emd方法、装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111242366A true CN111242366A (zh) | 2020-06-05 |
CN111242366B CN111242366B (zh) | 2023-10-31 |
Family
ID=70876056
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010017502.0A Active CN111242366B (zh) | 2020-01-08 | 2020-01-08 | 一种可用于实时处理信号的emd方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111242366B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111934647A (zh) * | 2020-07-14 | 2020-11-13 | 广东技术师范大学 | 一种emd-lms混合滤波方法及滤波器 |
CN112614505A (zh) * | 2020-11-27 | 2021-04-06 | 江苏爱谛科技研究院有限公司 | 一种并行超快速emd信号处理系统 |
CN118349053A (zh) * | 2024-06-18 | 2024-07-16 | 山东瑞福锂业有限公司 | 一种碳酸锂生产自动化控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510711A (zh) * | 2015-12-24 | 2016-04-20 | 合肥工业大学 | 一种改进的经验模态分解的谐波分析法 |
CN105954695A (zh) * | 2016-04-20 | 2016-09-21 | 国家电网公司 | 一种基于同步的同质传感器突变参数识别方法与装置 |
CN107860460A (zh) * | 2017-09-19 | 2018-03-30 | 中国船舶重工集团公司第七〇九研究所 | 强噪声背景下振动信号的特征提取方法 |
CN108231087A (zh) * | 2017-12-14 | 2018-06-29 | 宁波升维信息技术有限公司 | 一种单通道盲源分离法 |
CN109086370A (zh) * | 2018-07-20 | 2018-12-25 | 广州市安服星网络科技有限公司 | 一种互联网数据流处理系统 |
-
2020
- 2020-01-08 CN CN202010017502.0A patent/CN111242366B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105510711A (zh) * | 2015-12-24 | 2016-04-20 | 合肥工业大学 | 一种改进的经验模态分解的谐波分析法 |
CN105954695A (zh) * | 2016-04-20 | 2016-09-21 | 国家电网公司 | 一种基于同步的同质传感器突变参数识别方法与装置 |
CN107860460A (zh) * | 2017-09-19 | 2018-03-30 | 中国船舶重工集团公司第七〇九研究所 | 强噪声背景下振动信号的特征提取方法 |
CN108231087A (zh) * | 2017-12-14 | 2018-06-29 | 宁波升维信息技术有限公司 | 一种单通道盲源分离法 |
CN109086370A (zh) * | 2018-07-20 | 2018-12-25 | 广州市安服星网络科技有限公司 | 一种互联网数据流处理系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111934647A (zh) * | 2020-07-14 | 2020-11-13 | 广东技术师范大学 | 一种emd-lms混合滤波方法及滤波器 |
CN112614505A (zh) * | 2020-11-27 | 2021-04-06 | 江苏爱谛科技研究院有限公司 | 一种并行超快速emd信号处理系统 |
CN118349053A (zh) * | 2024-06-18 | 2024-07-16 | 山东瑞福锂业有限公司 | 一种碳酸锂生产自动化控制方法及系统 |
CN118349053B (zh) * | 2024-06-18 | 2024-09-13 | 山东瑞福锂业有限公司 | 一种碳酸锂生产自动化控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111242366B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111242366A (zh) | 一种可用于实时处理信号的emd方法、装置 | |
CN107608862B (zh) | 监控告警方法、监控告警装置及计算机可读存储介质 | |
CN112599141B (zh) | 神经网络声码器训练方法、装置、电子设备及存储介质 | |
CN111458746B (zh) | 一种基于U-Net神经网络的隧道微震波形到时拾取方法 | |
CN109065176B (zh) | 一种血糖预测方法、装置、终端和存储介质 | |
CN110929543B (zh) | 一种气象数据处理方法及装置 | |
CN108874296B (zh) | 一种基于并行架构的三维波形映射方法 | |
Tang et al. | Chaotic signal denoising based on adaptive smoothing multiscale morphological filtering | |
CN115018170A (zh) | 一种短期风电功率预测方法、装置、设备及存储介质 | |
CN117786977B (zh) | 基于灰色系统理论的地基沉降动态预测方法、系统及设备 | |
CN106874332B (zh) | 数据库访问方法和装置 | |
CN109765611A (zh) | 地震数据插值方法及装置 | |
CN113781592A (zh) | 一种基于复杂度引导相位恢复的散斑成像重建方法 | |
CN111667819B (zh) | 基于crnn的语音识别方法、系统、存储介质及电子设备 | |
CN109816149B (zh) | 一种风电场随机出力场景生成方法及装置 | |
CN116893891A (zh) | 一种线程调度管理方法、装置、设备及存储介质 | |
CN116010850A (zh) | 一种识别快速射电暴的方法、装置、存储介质及电子设备 | |
CN107895103B (zh) | 一种轨迹数据清洗方法 | |
JP7264963B2 (ja) | 対話生成方法、装置、電子機器及び記憶媒体 | |
WO2021130634A1 (en) | Integration of physical sensors in data assimilation framework | |
CN109116353B (zh) | 运用FPGA实现stolt插值的方法以及FPGA系统 | |
CN110362769A (zh) | 一种数据处理方法及装置 | |
CN117556266B (zh) | 信号识别模型训练的方法、信号识别的方法及装置 | |
CN118606731B (zh) | 一种隧道变形预测方法及系统 | |
CN118330472B (zh) | 一种电池运行数据增强方法、设备、介质及产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |